Aller au contenu principal
Le Fil Robotique
Le Fil RobotiqueHumanoïdes · IA physique · Industriel
Nouveau système robotique aide les humanoïdes à maîtriser l'acrobatie sans entraîner chaque mouvement
RechercheInteresting Engineering 

Nouveau système robotique aide les humanoïdes à maîtriser l'acrobatie sans entraîner chaque mouvement

1 source couvre ce sujet·Source originale ↗·
Résumé IASource uniqueImpact UE
Nouveau système robotique aide les humanoïdes à maîtriser l'acrobatie sans entraîner chaque mouvement
▶ Voir sur YouTube

Des chercheurs ont présenté BeyondMimic, un système d'apprentissage en deux étapes permettant à des robots humanoïdes d'exécuter des mouvements agiles inspirés de l'humain, sans entraînement dédié à chaque geste. La première étape utilise de l'apprentissage par renforcement pour apprendre au robot à suivre une large gamme de mouvements humains, à partir d'environ 2,5 heures de données de capture de mouvement, avec une seule formulation de suivi, une structure de récompense commune et des hyperparamètres partagés plutôt qu'un réglage spécifique par mouvement. Le robot a ainsi appris des centaines de compétences : marche, course, équilibre sur une jambe, sauts, danse, gestes inspirés des arts martiaux, coups de pied retournés et roues. Vingt et un mouvements représentatifs ont ensuite été transférés avec succès sur un robot humanoïde physique. Lors d'une roue aérienne, le robot a atteint une accélération de pointe de 31 m/s² et une vitesse angulaire du bassin de 15,7 rad/s, des valeurs comparables à celles observées chez des athlètes humains entraînés. Une étude auprès de 77 participants a par ailleurs montré une préférence pour les mouvements générés par BeyondMimic par rapport à ceux du robot sans ce système.

L'apport principal tient à la seconde étape : un modèle de diffusion latente, entraîné via un autoencodeur variationnel, apprend la distribution sous-jacente des trajectoires état-action plutôt que de simplement rejouer des séquences mémorisées. Un guidage par classifieur à l'inférence permet ensuite d'orienter le robot vers des objectifs non vus à l'entraînement, comme suivre une commande de joystick, naviguer vers des points de passage ou éviter des obstacles, sans réentraîner ni ajuster la politique de base. Cette capacité répond à une limite connue des systèmes de contrôle humanoïde actuels, souvent contraints à des fonctions de récompense spécifiques par tâche et à des transitions rigides entre compétences. Le résultat renforce l'hypothèse selon laquelle un transfert simulation-vers-réel robuste, combiné à une génération de mouvement compositionnelle, peut réduire la dépendance à un réglage manuel massif, un enjeu central pour les intégrateurs qui cherchent à déployer des humanoïdes polyvalents plutôt que des machines à gestes figés.

BeyondMimic s'inscrit dans une compétition croissante autour des modèles de contrôle et des architectures vision-langage-action pour humanoïdes, aux côtés d'approches comme GR00T N2 de NVIDIA, Pi-0 de Physical Intelligence, Helix de Figure AI ou les itérations successives d'Optimus chez Tesla. Il s'agit à ce stade d'un résultat de recherche démontré en laboratoire sur un nombre limité de clips, et non d'un produit commercialisé ni d'un déploiement industriel ; aucun calendrier de transfert vers une plateforme commerciale n'est communiqué.

Dans nos dossiers

FigureIA physique & VLANVIDIA GR00TPhysical Intelligence — π0

À lire aussi

Un nouveau système d'IA aide les robots à transférer leur entraînement virtuel vers des tâches réelles
1Interesting Engineering 

Un nouveau système d'IA aide les robots à transférer leur entraînement virtuel vers des tâches réelles

Des chercheurs de l'Aston University et de l'University of Birmingham ont publié dans Scientific Reports une méthode d'entraînement robotique visant à réduire le "sim-to-real gap", ce fossé persistant entre les performances d'un robot en simulation et son comportement réel. L'approche, développée dans le cadre du projet REBELION financé par UK Research and Innovation, utilise un générateur de variations d'environnement piloté par IA : pendant la phase de simulation, le système introduit automatiquement des perturbations (bruit capteur, variabilité des matériaux, forces inattendues) pour entraîner le robot à des conditions plus proches du terrain. La validation expérimentale porte sur des tâches de manipulation et de découpe impliquant une interaction physique avec des matériaux, puis un ajustement avec un volume minimal de données réelles. Le cas d'usage mis en avant est le recyclage de batteries lithium-ion, où les robots doivent opérer autour de cellules endommagées ou potentiellement dangereuses, rendant les cycles de test physiques coûteux et risqués. L'intérêt industriel est direct : la dépendance à de longs cycles de test en environnement réel est l'un des principaux freins au déploiement rapide de robots dans des lignes de production ou des ateliers de recyclage. En permettant de compresser l'essentiel de l'apprentissage en simulation tout en garantissant un transfert fiable avec peu de données réelles, cette approche pourrait raccourcir significativement les timelines d'intégration et réduire les coûts opérationnels pour les industriels. Elle valide aussi une hypothèse qui fait débat dans le secteur depuis plusieurs années : que le sim-to-real gap n'est pas une fatalité, mais un problème d'exposition à la variance pendant l'entraînement. La vision formulée par le Dr. Alireza Rastegarpanah, assistant professor en applied AI and robotics à Aston University, est celle de systèmes robotiques "plug-and-play", entraînés une fois en simulation et redéployés rapidement dans un nouveau contexte sans reconfiguration lourde. C'est une promesse ambitieuse, et les résultats publiés restent limités à un périmètre de tâches contrôlées ; aucun chiffre de performance comparative (taux de succès, cycles de recalibration) n'est rendu public dans la version relayée. Le sim-to-real gap est un problème structurel documenté depuis les premières applications de reinforcement learning en robotique. Des acteurs comme Boston Dynamics, Agility Robotics ou encore Wandercraft (France, exosquelettes) utilisent des combinaisons de domain randomization et de transfert par imitation pour y répondre, avec des niveaux de maturité variables selon les tâches. Le projet REBELION s'inscrit dans un effort européen plus large sur l'automatisation du recyclage de batteries, filière en forte croissance avec l'essor des véhicules électriques. Les prochaines étapes annoncées par l'équipe visent à élargir la méthode à des environnements industriels plus incertains et à des applications en manufacturing avancé et opérations autonomes, sans calendrier précis communiqué.

UELa méthode du projet REBELION (financé UKRI, inscrit dans un effort européen) pourrait accélérer le déploiement de robots dans les filières EU de recyclage de batteries lithium-ion, secteur stratégique pour la transition électrique.

RecherchePaper
1 source
Robots humanoïdes : ramper, roue et backflips maîtrisés grâce aux données de mouvement et d'animation
2Interesting Engineering 

Robots humanoïdes : ramper, roue et backflips maîtrisés grâce aux données de mouvement et d'animation

Des chercheurs du RAI Institute et de Boston Dynamics ont développé ZEST (Zero-shot Embodied Skill Transfer), un framework d'apprentissage par renforcement permettant à des robots à pattes d'acquérir des mouvements agiles à partir de données de mouvement humain, en une seule phase d'entraînement plutôt qu'un réglage par tâche. Le système apprend depuis trois sources : capture de mouvement haute fidélité, vidéo simple caméra, et animation par images clés, converties en commandes robotiques par retargeting cinématique. Testé sur l'humanoïde Atlas et le quadrupède Spot de Boston Dynamics ainsi que sur le G1 d'Unitree, ZEST a reproduit des mouvements tels que reptation au sol, roulades avant, roue, breakdance, danse, tirs au but et escalade de caisses, plus un salto arrière continu et un tonneau pour Spot à partir de données d'animation. Chaque politique de contrôle a nécessité environ 10 heures d'entraînement, soit près de 7 000 itérations, sur un seul GPU NVIDIA L4, entraînée entièrement en simulation puis transférée sur le matériel réel sans réglage supplémentaire, en s'appuyant uniquement sur des capteurs proprioceptifs embarqués à l'exécution. Pour l'industrie robotique, l'intérêt tient à ce que ZEST élimine plusieurs briques habituelles des pipelines de contrôle : estimateurs d'état, longs historiques d'observation, fenêtres de référence future, calendriers de contact au sol et ingénierie poussée de récompenses propres à chaque tâche. Cela réduit potentiellement le travail d'ingénierie et de réglage requis pour chaque nouvelle compétence, un goulot d'étranglement connu du déploiement de robots humanoïdes et quadrupèdes. Le transfert réussi d'une même architecture entre un humanoïde et un quadrupède illustre une portabilité inter-morphologies rarement démontrée à ce niveau d'agilité. L'équipe reste toutefois prudente : le système n'a été validé que sur sols plats et non glissants, sans généralisation démontrée à des mouvements totalement inédits. Il s'agit donc d'une avancée de recherche publiée sous forme d'étude, avec des démonstrations en environnement contrôlé, et non d'un produit commercial déployé ou d'un pilote industriel annoncé. ZEST s'inscrit dans les travaux du RAI Institute, laboratoire de recherche lié à Boston Dynamics et centré sur le contrôle et l'apprentissage pour robots à pattes, prolongeant des efforts visant à réduire la dépendance à l'ingénierie manuelle des contrôleurs. Le framework se positionne différemment des modèles vision-langage-action comme Pi-0 de Physical Intelligence, GR00T N2 de Nvidia ou Helix de Figure, qui ciblent surtout la manipulation : ZEST vise l'agilité locomotrice et les mouvements corporels complets, du crawl militaire au salto arrière. Il ne nécessite pas d'annotations explicites de contact au sol, ce qui allège la préparation des données de démonstration. Les auteurs indiquent que les prochaines étapes porteront sur l'adaptation zero-shot et few-shot ainsi que sur l'apprentissage continu, sans calendrier ni partenaire de déploiement précisés à ce stade.

RecherchePaper
1 source
Robots humanoïdes réussissent un jeu complet de corde à sauter longue sans aide humaine
3Interesting Engineering 

Robots humanoïdes réussissent un jeu complet de corde à sauter longue sans aide humaine

Des chercheurs de l'Universite de Nanjing ont développe un système baptise Marope qui permet a des robots humanoïdes de jouer ensemble a la corde a sauter longue, sans intervention humaine : deux robots font tourner une corde partagée pendant qu'un troisième saute en rythme. Les résultats figurent dans un preprint accompagne de vidéos publiées sur une page projet dédiée. L'approche compte trois étages : une politique décentralisée, apprise par renforcement multi-agent, coordonne le mouvement de la corde entre les deux tourneurs ; une politique d'ordonnancement ajuste ensuite ces commandes en temps réel pour synchroniser la rotation avec le rythme du sauteur et éviter les collisions ; le robot sauteur a lui été entraine sur plusieurs styles de saut pour généraliser a différents partenaires. En simulation, Marope réduit les erreurs de suivi de la corde et le glissement des pieds face a des approches de référence, dont une version a agent unique pilotant les deux tourneurs. L'équipe a déployé le système sur des robots Unitree G1 réels, coordonnant avec succès des rotations humanoïde-humanoïde et humanoïde-humain, ainsi que des sauts mêlant participants humains et robotiques. L'équipe présente ce travail comme une première : la coordination réussie de plusieurs robots humanoïdes sur une tache physique partagée aussi précise. Contrairement aux précédents projets de sport robotique (tennis de table, danse, course a pied), généralement portes par un seul robot agissant seul ou réagissant a un objet extérieur, la corde a sauter longue impose une véritable coopération entre deux agents qui manipulent un objet souple et imprévisible tout en gardant leur équilibre, et qui doivent en plus se synchroniser avec un troisième agent au rythme variable. Pour les chercheurs et intégrateurs en robotique, la démonstration illustre les progrès de l'apprentissage par renforcement multi-agent sur des taches ou plusieurs robots partagent le contrôle d'un objet physique instable, un scenario pertinent au-delà du jeu pour la manipulation collaborative en environnement industriel. Il s'agit néanmoins d'une preuve de concept de laboratoire, pas d'un produit commercial ni d'un déploiement en conditions réelles. Le système tourne sur la plateforme humanoïde Unitree G1, du fabricant chinois Unitree Robotics, déjà largement utilisée comme banc d'essai par les laboratoires de recherche en robotique. Les chercheurs reconnaissent plusieurs limites : le cadre est conçu spécifiquement pour la corde a sauter longue et ne se généralisé pas automatiquement a d'autres taches coopératives entre humanoïdes ; le système actuel ne gère qu'un seul sauteur a la fois, et des formats plus complexes comme le double dutch restent non résolus. Surtout, l'ensemble repose sur un système de capture de mouvement externe pour suivre la corde et les participants, un dispositif qu'il faudrait remplacer par des capteurs embarques avant d'envisager une coordination réaliste entre humanoïdes et humains au quotidien, une piste que l'équipe présente comme un axe de travail futur.

RecherchePaper
1 source
CWI : système d'imitation du corps entier pour la loco-manipulation de robots humanoïdes
4arXiv cs.RO 

CWI : système d'imitation du corps entier pour la loco-manipulation de robots humanoïdes

Des chercheurs ont publié fin juin 2026 sur arXiv (réf. 2606.27676) le framework CWI (Composite Whole-Body Imitation), une architecture de contrôle pour robots humanoïdes visant à coordonner locomotion et manipulation bimanuelle en simultané. Le système a été évalué en simulation puis déployé sur un LimX Oli, humanoïde pleine taille du fabricant chinois LimX Robotics. L'approche repose sur une dissociation du recours aux données de capture de mouvement (MoCap) : les données MoCap de manipulation diversifiées pilotent le contrôle du haut du corps, tandis que la locomotion est guidée par deux discriminateurs adversariaux (Adversarial Motion Prior, AMP) entraînés sur des clips curatés de marche et d'accroupissement. Une architecture multi-critique réduit les conflits entre objectifs de locomotion, de manipulation et de style de mouvement ; une étape de distillation enseignant-élève produit ensuite une politique conditionnée uniquement sur les poses des mains et des commandes de vitesse et hauteur. La loco-manipulation reste l'un des verrous majeurs de la robotique humanoïde. Les méthodes purement par renforcement, sans MoCap, souffrent de récompenses creuses et nécessitent des curricula finement réglés ; les méthodes imitant le corps entier butent sur le déséquilibre des datasets, les trajectoires de locomotion trop dynamiques dégradant la stabilité globale. CWI propose une dissociation architecturale qui contourne les deux écueils. Le résultat pratique est une téléopération sans équipement MoCap complet, ce qui abaisse le seuil d'intégration industrielle. Pour les intégrateurs et les décideurs B2B, cela signifie qu'un humanoïde capable d'agir dans des environnements mixtes (déplacements et saisie d'objets) devient envisageable sans infrastructure de capture de mouvement coûteuse. Cela dit, la publication ne fournit aucune métrique de temps de cycle ni de volumes de déploiement, ce qui invite à lire ces résultats comme une preuve de concept compétitive, pas comme un produit shipé. CWI s'inscrit dans une vague de travaux combinant apprentissage par renforcement et imitation de mouvement humain, dont l'Adversarial Motion Prior (AMP) de Peng et al. constitue la brique fondatrice. LimX Robotics reste un acteur discret face aux mastodontes du secteur : Figure AI (Figure 03), Tesla (Optimus Gen 3), Physical Intelligence (Pi-0) ou encore Boston Dynamics (Atlas) travaillent sur des architectures comparables intégrant contrôle corps entier et politiques Vision-Language-Action (VLA). CWI ne mentionne ni calendrier de déploiement industriel, ni partenariat commercial : il s'agit d'un preprint arXiv sans revue par les pairs publiée. Les prochaines étapes probables passeront par une validation en conditions réelles plus variées et une publication dans une conférence robotique de référence (ICRA, IROS ou RAL).

RecherchePaper
1 source